CN110633696A - 一种基于ceemdan-ica-swt的柴油机振源多信息联合识别方法 - Google Patents

Abstract

本发明公开了一种基于CEEMDAN‑ICA‑SWT的柴油机振源多信息联合识别方法，利用振动传感器获取振动激励源混合响应信号；确定加入白噪声的幅值标准差系数与总体平均次数，然后采用CEEMDAN方法对振动信号进行自适应分解，再基于二次相关的相似系数法与谱熵相结合的方法选取主要的本征模分量，并估计振源数；将获得的本征模分量与激励源混合响应信号组成新的观测信号作为独立分量分析中的多个虚拟通道，采用ICA方法进行盲源分离，结合估计的主要振源数量，利用相似系数法选取分离结果；采用SWT技术对分离结果各独立成分进行时‑频特征分析，识别柴油机振动激励源。本发明提高了对柴油机振源的辨识能力。

Description

一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别 方法

技术领域

本发明涉及柴油机节能环保技术领域，特别是一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法。

背景技术

减少振动、降低噪声是柴油机节能环保研究领域的重要研究方向，而要有效地控制柴油机的振动和噪声，准确识别柴油机主要的振动激励源是关键。柴油机振动激励源众多，主要源于气缸内周期变化的燃烧压力、气门冲击及活塞敲击等机械激励、活塞-曲柄连杆机构运动产生的惯性力等，各种振源是相互耦合的，通过不同的振动路径传递，激励结构振动响应的过程复杂。因此，柴油机振源激励响应信号表现为非平稳性、非线性、调制振荡性以及多重耦合系统特性。

相比较传统信号分析技术，基于现代信号处理方法的柴油机振源识别技术能有效分离柴油机复杂的激励源响应信号，从时-频域更全面识别其信号源特征，获得更精确的振源特性信息，在减振降噪工程应用中更具吸引力，其中主要有独立分量分析方法(Independent Component Analysis，ICA)、经验模式分解方法(Empirical ModeDecomposition，EMD)、小波变换等理论方法。传统ICA方法，要求通道数必须不少于源信号数，然而实际测量中很难预知源信号的数目，因此ICA方法不能处理单一通道信号的问题。EMD方法最主要的缺点就是无法克服信号中断引起的模式混叠现象，使信号分解所得单一的本征模分量失去它的物理意义，出现过分解导致分解结果不准确。为了解决该问题，山东大学王丽等利用集总平均经验模式分解方法(Ensemble Empirical Mode Decomposition，EEMD)分解后的本征模分量IMF作为独立分量分析中的多个虚拟通道，实现了对观测信号升维，满足了盲分离要求，在此基础上提出了基于EEMD和ICA相结合方法对推土机驾驶室噪声源进行识别，其中EEMD方法是EMD方法的改进，通过添加辅助白噪声和增加集总平均次数在一定程度上抑制了EMD方法模式混叠现象的产生。同时天津大学毕凤荣等采用一种新的噪声源识别方法—EEMD-ICA-CWT的联合方法，对装载机室内噪声信号进行了盲源分离和声源识别研究，其中小波变换(Continuous Wavelet Transform，CWT)具有良好的时频定位特性。武汉理工大学姚家驰等提出了一种基于变分模态分解、独立分量分析和连续小波变换相结合的内燃机噪声源分离识别算法-VMD-ICA-CWT联合方法，对内燃机燃烧噪声和气阀机构敲击噪声进行了分离和识别。

综上所述，从基于非平稳性、非线性、强耦合性以及调制振荡性的柴油机振动激励源响应信号出发，本发明专利提出了一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别技术，该技术将EEMD方法的改进方法-基于自适应白噪声的完备性集总平均经验模式分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)、独立分量分析和同步压缩小波变换(Synchrosqueezed Wavelet Transforms，SWT)相结合，分离与识别柴油机振源信号，提取其时频局部信息特性。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，该方法中的CEEMDAN方法能较好地解决EMD方法模式混叠的问题，同时能够解决EEMD方法分解产生的本征模分量个数不同导致的较大平均误差以及由于增大集成次数导致的较大计算量等问题。将CEEMDAN方法与ICA方法相结合，解决了无限增加传感器与采集通道数导致的试验测试成本高和增大试验难度等问题，能将盲源分离的欠定问题转化为适定问题，满足盲分离要求，达到同样的振源分离效果。通过CEEMDAN-ICA方法获取振源时域特征信息基础上，SWT技术能解决小波变换后产生时频模糊现象导致时频聚集性差等问题，有效减小瞬时频率曲线畸变，改善尺度方向模糊，提高时频聚集性和可读性。

本发明的目的通过以下技术方案实现。

一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，包括以下步骤：

1)在柴油机稳态工况下，利用振动传感器获取包括燃烧激励、机械冲击激励以及不平衡惯性力性质的振动激励源混合响应信号；

2)首先根据加入白噪声的自适应准则，确定加入白噪声的幅值标准差系数与总体平均次数，然后采用CEEMDAN方法对振动信号进行自适应分解，再基于二次相关的相似系数法与谱熵相结合的方法选取主要的本征模分量，并估计振源数；

3)将CEEMDAN方法分解获得的本征模分量与激励源混合响应信号组成新的观测信号作为独立分量分析中的多个虚拟通道，采用ICA方法进行盲源分离，结合估计的主要振源数量，利用相似系数法选取分离结果；

4)采用SWT技术对分离结果各独立成分进行时-频特征分析，结合先验知识，识别柴油机振动激励源。

所述步骤2)具体为：基于加入白噪声的自适应准则：确定所需加入的白噪声信号的幅值标准差系数α值满足条件0＜α≤σ_h/3σ₀，执行EMD的总平均次数N＝[σ_h/(4σ₀ε)]²，其中σ₀为分析信号的幅值标准差；σ_h为分析信号分解所得高频信号的幅值标准差；ε为分析信号与最终分解所得信号之间的相对误差，一般设置在0.01～0.5；

经CEEMDAN分解信号S所得的所有本征模分量IMF：

为通过EMD方法所产生的第k个模态分量，r表示分解后的残余量，v表示加入的白噪声，i＝1,…,I表示实验次数，k＝1,…,K表示分解的本征模分量个数；

基于二次相关的相似系数判别准则：分别计算本征模分量的二次相关函数R_IMF1～R_IMFK与分析信号R_s的相似系数ρ_js；再计算本征模分量的谱熵

与分析信号谱熵的接近程度量，其中q_i为第i个功率谱在整个谱中所占的百分比；选取与分析信号相关性大的主要本征模分量IMF_j，预估振源数量m，j＝1,…,K。

所述步骤4)中采用SWT技术对分离结果各独立成分进行时-频特征分析的计算公式为：T_x(ω1,b)＝∫_A(b)W_x(a,b)a^-3/2da，

式子中A(b)＝{a；W_x(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ^*(t)为小波基ψ(t)的共轭，ω₁为中心频率，阈值γ与信号采样点数及噪声方差有关。

相比于现有技术，本发明的优点在于：本发明能自适应地分解由较少振动传感器获取的柴油机振动激励源响应信号，通过选取与激励源响应信号相关性好的主要本征模分量，有效消除噪声和干扰成份，预估振源数，其中CEEMDAN方法能够削弱EMD方法分解振动信号时产生的模态混叠现象，其分解过程具有完备性，并且计算量仅为EEMD方法的一半；

CEEMDAN-ICA方法克服了ICA方法要求传感器数目必须大于等于分离出独立成分分量数目的限制；同时借助同步压缩小波变换能获得较高的时频分辨能力与时频定位特性，即能从多个分析域上提取振源特征信息对其激励源进行深入识别，进一步提高对柴油机振源的辨识能力。

附图说明

图1是本发明基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别技术识别流程图。

图2是模拟柴油机振动激励源信号及其混合信号的时域图(a)与时频图(b)。

图3是比较采用本发明CEEMDAN-ICA方法分离结果(a)与EEMD-ICA方法分离结果(b)。

图4是采用本发明CEEMDAN-ICA-SWT技术振源时频特征识别结果。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

如图1所示，一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，包括以下步骤：

1)在柴油机稳态工况下，利用振动传感器获取包括燃烧激励、机械冲击激励以及不平衡惯性力性质的振动激励源混合响应信号；

2)首先根据加入白噪声的自适应准则，确定加入白噪声的幅值标准差系数与总体平均次数，然后采用CEEMDAN方法对振动信号进行自适应分解，再基于二次相关的相似系数法与谱熵相结合的方法选取主要的本征模分量，并估计振源数；

3)将CEEMDAN方法分解获得的本征模分量与激励源混合响应信号组成新的观测信号作为独立分量分析中的多个虚拟通道，采用ICA方法进行盲源分离，结合估计的主要振源数量，利用相似系数法选取分离结果；

4)采用SWT技术对分离结果各独立成分进行时-频特征分析，结合先验知识，识别柴油机振动激励源。

如图2所示，利用MATLAB软件构造振荡信号S1、调幅调频信号S2、脉冲信号S3，模拟柴油机燃烧、不平衡惯性力、机械冲击等振动激励源信号，获得激励源混合信号S。

所述步骤2)具体为：基于加入白噪声的自适应准则：确定所需加入的白噪声信号的幅值标准差系数α值满足条件0＜α≤σ_h/3σ₀，执行EMD的总平均次数N＝[σ_h/(4σ₀ε)]²，其中σ₀为分析信号的幅值标准差；σ_h为分析信号分解所得高频信号的幅值标准差；ε为分析信号与最终分解所得信号之间的相对误差，一般设置在0.01～0.5；

经CEEMDAN分解信号S所得的所有本征模分量IMF：

为通过EMD方法所产生的第k个模态分量，r表示分解后的残余量，v表示加入的白噪声，i＝1,…,I表示实验次数，k＝1,…,K表示分解的本征模分量个数；

基于二次相关的相似系数判别准则：分别计算本征模分量的二次相关函数R_IMF1～R_IMFK与分析信号R_s的相似系数ρ_js；再计算本征模分量的谱熵

与分析信号谱熵的接近程度量，其中q_i为第i个功率谱在整个谱中所占的百分比；选取与分析信号相关性大的主要本征模分量IMF_j，预估振源数量m，j＝1,…,K。

将获得的主要本征模分量IMF_j和激励源混合信号S作为新的观测信号，采用基于四阶累积量的联合近似对角化算法，即JADE算法对观测信号进行盲分离，根据估计的振源数量，获取相应的独立成分ICi，i＝1,…,m，实例分离结果如图3所示，从波形相似性可以看出，分离出的各独立成分较好地与振动激励源信号相对应。

所述步骤4)中采用SWT技术对分离结果各独立成分进行时-频特征分析的计算公式为： 式子中A(b)＝{a；W_x(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ^*(t)为小波基ψ(t)的共轭，ω₁为中心频率，阈值γ与信号采样点数及噪声方差有关。实例时频分析结果如图4所示，识别结果与振动激励源信号的时频特征相一致。

Claims (3)

1.一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，其特征在于包括以下步骤：

1)在柴油机稳态工况下，利用振动传感器获取包括燃烧激励、机械冲击激励以及不平衡惯性力性质的振动激励源混合响应信号；

2)首先根据加入白噪声的自适应准则，确定加入白噪声的幅值标准差系数与总体平均次数，然后采用CEEMDAN方法对振动信号进行自适应分解，再基于二次相关的相似系数法与谱熵相结合的方法选取主要的本征模分量，并估计振源数；

3)将CEEMDAN方法分解获得的本征模分量与激励源混合响应信号组成新的观测信号作为独立分量分析中的多个虚拟通道，采用ICA方法进行盲源分离，结合估计的主要振源数量，利用相似系数法选取分离结果；

4)采用SWT技术对分离结果各独立成分进行时-频特征分析，结合先验知识，识别柴油机振动激励源。

2.根据权利要求1所述的一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，其特征在于所述步骤2)具体为：基于加入白噪声的自适应准则：确定所需加入的白噪声信号的幅值标准差系数α值满足条件0＜α≤σ_h/3σ₀，执行EMD的总平均次数N＝[σ_h/(4σ₀ε)]²，其中σ₀为分析信号的幅值标准差；σ_h为分析信号分解所得高频信号的幅值标准差；ε为分析信号与最终分解所得信号之间的相对误差，设置在0.01～0.5；

经CEEMDAN分解信号S所得的所有本征模分量IMF：

E_k(·)为通过EMD方法所产生的第k个模态分量，r表示分解后的残余量，v表示加入的白噪声，i＝1,…,I表示实验次数，k＝1,…,K表示分解的本征模分量个数；

基于二次相关的相似系数判别准则：分别计算本征模分量的二次相关函数R_IMF1～R_IMFK与分析信号R_s的相似系数ρ_js；再计算本征模分量的谱熵

与分析信号谱熵的接近程度量，其中q_i为第i个功率谱在整个谱中所占的百分比；选取与分析信号相关性大的主要本征模分量IMF_j，预估振源数量m，j＝1,…,K。

3.根据权利要求1或2所述的一种基于CEEMDAN-ICA-SWT的柴油机振源多信息联合识别方法，其特征在于所述步骤4)中采用SWT技术对分离结果各独立成分进行时-频特征分析的计算公式为：T_x(ω₁,b)＝∫_A(b)W_x(a,b)a^-3/2da，

式子中A(b)＝{a；W_x(a,b)≥γ}，a为尺度因子，b为平移因子，t为时间，ψ^*(t)为小波基ψ(t)的共轭，ω₁为中心频率，阈值γ与信号采样点数及噪声方差有关。

Images